写在前面
· apply:应用在DataFrame的行或列中,也可以应用到单独一个Series的每个元素中
· map:应用在单独一个Series的每个元素中
· applymap:应用在DataFrame的每个元素中
目录
一、apply
apply是沿DataFrame的轴应用功能,传递给函数的对象是Series对象,其索引为DataFrame的索引(axis = 0'')或DataFrame的列(axis = 1'')
构建df表:
1、apply应用到DataFrame中
需求:如果我们求一下每一列的极差,注意axis参数的设置,一般默认为0,即求每一列的极差
apply的参数可以直接接收现成的函数,也可以接收自定义函数,比如自定义的求极差匿名函数:
通过对轴信息的设置,也可以求每一行的极差:
注意:结果的索引能够很明显看出现在求的是行极差还是列极差,如果是行极差,索引是行标签,如果是列极差,索引是列名。
另外,对整个DataFrame运用apply的时候,要保证所有的字段都是符合作为参数的函数要求才可以,比如在例子中求极值得保证所有字段都是数值型才行,如果整个DataFrame不能满足要求,可以把符合要求的字段切出来再应用apply。如果有需要,也可以把求的结果添加到原表当中。
2、apply应用到Series中
需求:将A列的所有元素转换数据类型,从整型转换成浮点型:
总结:apply运用到整个DataFrame中可以执行整列或者整行的运算,运用到Series中,执行的是对每个元素的运算,这个运算map也可以实现。
二、map
map是应用于Series的,参数可以是函数也可以字典。
创建表df1:
需求:将性别转换成0和1,女为0,男为1。
这个时候可以用map()代替循环 轻松实现转换,先看下通过函数传参处理形式:
def gender(x):
if x == "男":
G = 1
else 0
return G
df1['性别'].map(gender)
map的参数除了可以是参数,也可以是字典,这和apply对参数的要求不同:
三、applymap
applymap是把函数应用到DataFrame中的每个元素上的,要和apply对整列或者整行进行的操作区分开,apply想要直接对每个元素进行操作,得单独提取出Series才可以实现,不能直接再整个DataFrame上执行。
创建表df:
需求:要把每个元素的数据类型都转换成浮点型。applymap()就派上用场了
总结:
apply:
· 既可以用在DataFrame,也可以用到单独的Series中
· 运用到DataFrame时,是用到了整行或者整列上,不是逐一运用到每个元素上
· 运用到Series时,作用到每个元素上
· 第一个参数只接收python原生函数或者numpy中的函数
map:
· 只能运用到Series的每个元素上
· 参数可以是函数也可以是字典,还可以是序列
applymap:
· 只能应用在DataFrame中,并且是作用在DataFrame的每个元素中
· 参数只接收可调用的函数。